論文の概要: AVP-Fusion: Adaptive Multi-Modal Fusion and Contrastive Learning for Two-Stage Antiviral Peptide Identification

• arxiv url: http://arxiv.org/abs/2512.21544v1
• Date: Thu, 25 Dec 2025 07:29:39 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-29 12:05:23.918195
• Title: AVP-Fusion: Adaptive Multi-Modal Fusion and Contrastive Learning for Two-Stage Antiviral Peptide Identification
• Title（参考訳）: AVP-Fusion:2段階抗ウイルスペプチド同定のための適応型多モード融合とコントラスト学習
• Authors: Xinru Wen, Weizhong Lin, Xuan Xiao,
• Abstract要約: AVP-Fusionは、適応的な特徴融合と対照的な学習を統合した、新しい2段階のディープラーニングフレームワークである。 精度は 0.9531 であり、MCC は 0.9064 であり、最先端の手法を著しく上回っている。 移行学習を利用する第2段階では、このモデルは6つのウイルスファミリーと8つの特定のウイルスの正確なサブクラス予測を可能にする。
• 参考スコア（独自算出の注目度）: 2.242125769416219
• License:
• Abstract: Accurate identification of antiviral peptides (AVPs) is critical for accelerating novel drug development. However, current computational methods struggle to capture intricate sequence dependencies and effectively handle ambiguous, hard-to-classify samples. To address these challenges, we propose AVP-Fusion, a novel two-stage deep learning framework integrating adaptive feature fusion and contrastive learning. Unlike traditional static feature concatenation, we construct a panoramic feature space using 10 distinct descriptors and introduce an Adaptive Gating Mechanism.This mechanism dynamically regulates the weights of local motifs extracted by CNNs and global dependencies captured by BiLSTMs based on sequence context. Furthermore, to address data distribution challenges, we employ a contrastive learning strategy driven by Online Hard Example Mining (OHEM) and BLOSUM62-based data augmentation, which significantly sharpens the model's decision boundaries. Experimental results on the benchmark Set 1 dataset demonstrate that AVP-Fusion achieves an accuracy of 0.9531 and an MCC of 0.9064, significantly outperforming state-of-the-art methods. In the second stage, leveraging transfer learning, the model enables precise subclass prediction for six viral families and eight specific viruses, even under limited sample sizes. In summary, AVP-Fusion serves as a robust and interpretable tool for high-throughput antiviral drug screening.
• Abstract（参考訳）: 抗ウイルスペプチド(AVP)の正確な同定は、新規な薬物開発を促進するために重要である。 しかし、現在の計算手法は複雑なシーケンス依存を捕捉し、曖昧で分類が難しいサンプルを効果的に扱うのに苦労している。 これらの課題に対処するために,適応的特徴融合とコントラスト学習を組み合わせた新しい2段階深層学習フレームワークであるAVP-Fusionを提案する。 従来の静的特徴連結とは異なり、10個の異なる記述子を用いてパノラマ特徴空間を構築し、適応ゲーティング機構を導入する。このメカニズムは、CNNによって抽出された局所モチーフの重み付けと、シーケンスコンテキストに基づいてBiLSTMによってキャプチャされたグローバル依存関係を動的に制御する。 さらに,オンラインハードケースマイニング(OHEM)とBLOSUM62に基づくデータ拡張により,データ分散の課題に対処するため,モデルの判断境界を大幅に短縮するコントラスト学習戦略を採用している。 ベンチマークSet 1データセットの実験結果によると、AVP-Fusionの精度は0.9531、MCCは0.9064で、最先端の手法よりも大幅に優れていた。 移行学習を利用する第2段階において、このモデルは、限られたサンプルサイズであっても、6つのウイルスファミリーと8つの特定のウイルスの正確なサブクラス予測を可能にする。 まとめると、AVP-Fusionは高スループット抗ウイルス薬スクリーニングのための堅牢で解釈可能なツールとして機能する。

関連論文リスト

• VAMP-Net: An Interpretable Multi-Path Framework of Genomic Permutation-Invariant Set Attention and Quality-Aware 1D-CNN for MTB Drug Resistance [0.0]
  本稿では,解釈可能な可変型マルチパスネットワーク(VAMP-Net)を提案する。 Path-1は、ゲノム座間のエピスタティック相互作用を捉えるために、Set Attention Transformer Processing permutation-invariant variant setを使用する。 Path-2は1D Confabal Networkを使用し、Variant Call Formatの品質指標を分析して信頼性スコアを学習する。
  論文  参考訳（メタデータ） (2025-12-25T21:28:54Z)
• A Hybrid Deep Learning and Forensic Approach for Robust Deepfake Detection [0.0]
  既存のディープフェイク検出手法は、一般化や歪みに対する脆弱性の低いディープラーニングや、解釈可能なが新しい操作技術に制限される法医学的な分析に頼っている。 本研究では,雑音残差,JPEG圧縮トレース,周波数領域記述子などの法医学的特徴を融合したハイブリッドフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-31T11:32:52Z)
• ConMatFormer: A Multi-attention and Transformer Integrated ConvNext based Deep Learning Model for Enhanced Diabetic Foot Ulcer Classification [0.21990652930491858]
  ConMatFormerは,ConvNeXtブロック,マルチアテンション機構,トランスフォーマーモジュールを組み合わせた,新しいハイブリッドディープラーニングアーキテクチャである。 テストの結果、ConMatFormerは精度、信頼性、柔軟性の観点から、最先端(SOTA)畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)モデルを上回った。 DFU分類のための新しいベンチマークを設定し,医用画像解析のためのハイブリット・アテンション・トランスフォーマー・フレームワークを提供する。
  論文  参考訳（メタデータ） (2025-10-26T16:34:43Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• Multi-Source COVID-19 Detection via Variance Risk Extrapolation [19.844531606142496]
  マルチソースの新型コロナウイルス検出チャレンジは、胸部CTスキャンを4つの病院や医療センターから収集されたデータから、新型コロナウイルスと非新型コロナウイルスのカテゴリーに分類することを目的としている。 このタスクにおける大きな課題は、イメージングプロトコル、スキャナー、および組織全体にわたる患者の人口の変化によって引き起こされるドメインシフトである。 我々は,モデルのクロスドメイン一般化を促進するために,VREx(Variance Risk Extrapolation)をトレーニングプロセスに組み込んだ。 本手法は, 検証セット上の4つの情報源の平均マクロF1スコアが0.96であり, 強い一般化が示されている。
  論文  参考訳（メタデータ） (2025-06-29T12:34:57Z)
• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [49.11819337853632]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• Domain Adaptive Skin Lesion Classification via Conformal Ensemble of Vision Transformers [3.7305040207339286]
  本稿では,コンフォーマル・アンサンブル・オブ・ビジョン・トランスフォーマー(CE-ViT)と呼ばれる新しいフレームワークを提案する。 領域適応とモデルロバスト性を優先し,不確実性を考慮し,画像分類性能の向上を図る。 このフレームワークは、HAM10000モデルと比較して9.95%の改善を示す90.38%という高いカバレッジ率を達成する。
  論文  参考訳（メタデータ） (2025-05-21T20:28:43Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Benchmarking Machine Learning Robustness in Covid-19 Genome Sequence Classification [109.81283748940696]
  我々は、IlluminaやPacBioといった一般的なシークエンシングプラットフォームのエラープロファイルを模倣するために、SARS-CoV-2ゲノム配列を摂動する方法をいくつか紹介する。 シミュレーションに基づくいくつかのアプローチは、入力シーケンスに対する特定の敵攻撃に対する特定の埋め込み手法に対して、他の手法よりも堅牢(かつ正確)であることを示す。
  論文  参考訳（メタデータ） (2022-07-18T19:16:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。